Pre-Symptomatic Crop Intelligence: A Closed-Loop Framework for Anticipatory, Confidence-Aware Decision-Making in Site-Specific Crop Protection

Resumen Técnico: Inteligencia de Cultivos Pre-Sintomática (PSCI)

Planteamiento del Problema
Los paradigmas actuales de protección de cultivos son predominantemente reactivos, basándose en el monitoreo visual o la observación pasiva para detectar síntomas macroscópicos (p. ej., clorosis, necrosis, marchitamiento) antes de iniciar las intervenciones. Para cuando estos síntomas son visibles, ya ha ocurrido una degradación fisiológica significativa, las poblaciones de patógenos se han expandido y la ventana para un control preventivo eficaz y de dosis baja se ha estrechado. Este desfase obliga a los productores a depender de aplicaciones químicas de amplio espectro, aumentando los costos, acelerando la resistencia a los pesticidas y causando deriva ambiental. Aunque existen tecnologías de detección pre-sintomática, la literatura está fragmentada, a menudo aislada en entornos de laboratorio, y trata la detección como un fin en sí mismo en lugar de un disparador para una acción física y sitio-específica. Existe una falta crítica de un marco unificado que conecte las señales fisiológicas subvisuales con una actuación localizada, oportuna y confiable.

Metodología
Este estudio es una síntesis narrativa-sistemática realizada hasta junio de 2026, adhiriéndose a las directrices PRISMA 2020. Los autores buscaron en las principales bases de datos bibliográficas (Scopus, Web of Science, IEEE Xplore, Google Scholar) utilizando una estrategia booleana dirigida a la intersección de la detección pre-sintomática, la protección de plantas de precisión y los sistemas de decisión de bucle cerrado.

• Criterios de Inclusión: Se retuvieron estudios si eran investigaciones primarias revisadas por pares que se centraban en la detección de estrés biótico o abiótico antes de los síntomas visibles, con aplicaciones dentro del campo o sitio-específicas, e involucraban computación de borde/TinyML, y vinculaban la detección con la actuación de tasa variable o la retroalimentación predictiva.
• Tamizaje: De 1,428 registros iniciales, 67 artículos de investigación primaria cumplieron con todos los criterios tras un proceso de tamizaje de dos etapas (título/resumen y evaluación de texto completo).
• Enfoque de Síntesis: Debido a la heterogeneidad de las modalidades de detección y las métricas, un meta-análisis cuantitativo no fue factible. En su lugar, los autores realizaron una síntesis narrativa cualitativa, codificando los estudios en un marco acoplado de Tiempo de Adelanto ($L_t$), Confianza de Detección ($C_d$) y Accionabilidad de Actuación ($A_c$).

Contribuciones Clave
El artículo propone el marco de Inteligencia de Cultivos Pre-Sintomática (PSCI), una arquitectura ciber-física de bucle cerrado que desplaza el enfoque de "qué sensor es mejor" hacia "qué decisión está matemáticamente y de riesgo justificada".

1. La Tesis del Valor del Eslabón más Débil: Los autores formalizan que el valor agronómico realizado ($V$) de un sistema pre-sintomático está estrictamente limitado por la variable más débil de tres variables acopladas:
   $$V = f(L_t, C_d, A_c) \quad \text{donde} \quad \lim_{\min(L_t, C_d, A_c) \to 0} V = 0$$

   • Tiempo de Adelanto Fisiológico ($L_t$): La duración entre la señal subvisual detectable más temprana y la aparición del síntoma visible.
   • Confianza de Detección Calibrada ($C_d$): La fiabilidad de la clasificación bajo condiciones de campo heterogéneas (no solo precisión de laboratorio).
   • Accionabilidad de Actuación ($A_c$): El inverso de la latencia de respuesta ($R_l$), representando la velocidad de la intervención física.
     El marco argumenta que un fallo en cualquier nodo (por ejemplo, alto tiempo de adelanto pero baja confianza, o alta confianza pero actuación lenta) colapsa la utilidad del sistema.

2. El Marco de Espacio de Decisión $L_t \times C_d$: Los autores particionan el plano operativo en tres regímenes graduados por riesgo:

   • Actuar Ahora/Intervenir: Alto tiempo de adelanto y alta confianza.
   • Monitorear/Reevaluar: Alto tiempo de adelanto pero confianza baja/moderada (lo que dispara escaneos de alta frecuencia en lugar de la aplicación química inmediata).
   • Aplazar/No Actuar: Bajo tiempo de adelanto (los síntomas son visibles), retornando a la gestión reactiva.

3. Retroalimentación del Estado del Campo Predictivo (Gemelo Digital): El marco integra un gemelo digital restringido que asimila datos físicos post-actuación (p. ej., tasas de transpiración, potenciales eléctricos) para actualizar dinámicamente los estados del campo y refinar los pronósticos subsecuentes, cerrando el bucle desde la detección hasta la verificación.

4. Generalizabilidad de Estrés Cruzado: El marco se instancia a través de tres casos de estrés distintos para demostrar su escalabilidad:

   • Biótico: Mosca Blanca de la Escama Rugosa (RSW) en coco (plaga chupadora de savia).
   • Abiótico (Agua): Déficit de agua en el suelo (sequía).
   • Abiótico (Nutrientes): Deficiencia de nitrógeno.

Resultados y Hallazgos

• Modalidades de Detección: Las modalidades ópticas (RGB, multiespectrales, hiperespectrales) dominan la base de evidencia, pero a menudo carecen de especificidad para separar el estrés biótico del abiótico. Las señales electrofisiológicas y de compuestos orgánicos volátiles (VOC) extienden los tiempos de adelanto alcanzables, pero enfrentan desafíos con los requisitos de contacto y el ruido ambiental.
• Necesidad de Fusión: Las modalidades únicas son insuficientes para una detección pre-sintomática robusta. La fusión de sensores heterogéneos (p. ej., combinando datos térmicos, hiperespectrales y electrofisiológicos) se identifica como el mecanismo principal para resolver la ambigüedad diagnóstica y elevar la confianza.
• Inferencia en el Borde y Confiabilidad: Aunque los modelos ligeros (TinyML, CNN cuantizadas) pueden ejecutarse en hardware de borde, sufren de un fenómeno severo de "colapso por exceso de confianza" cuando se transfieren del laboratorio al campo. Los modelos entrenados con conjuntos de datos controlados a menudo mantienen puntuaciones de confianza altas a pesar de caídas catastróficas en la precisión debido a cambios de dominio (iluminación, desorden de fondo). El artículo destaca que la calibración post-hoc estándar suele ser insuficiente para cerrar esta brecha de fiabilidad.
• Brecha Campo vs. Laboratorio: El rendimiento se degrada drásticamente del laboratorio al campo, particularmente en sistemas perennes y de pequeños agricultores. Los sistemas hiperespectrales de alto costo (TRL 4 en laboratorio) enfrentan barreras de CAPEX y sensibilidad ambiental, mientras que los sistemas RGB de bajo costo a menudo carecen del tiempo de adelanto necesario.
• Latencia de Actuación: La actuación de tasa variable (válvulas solenoides PWM, pulverización con drones) ha mejorado, pero las latencias de respuesta física y los errores de posicionamiento (0.3–0.8 m) siguen siendo cuellos de botella que pueden anular los beneficios de la detección temprana si no se sincronizan con el tiempo de adelanto fisiológico.

Significancia y Reivindicaciones
El artículo afirma proporcionar la primera síntesis integrada y orientada a la decisión que conecta la fisiología vegetal pre-sintomática con intervenciones físicas automatizadas y sitio-específicas. Su principal significancia radica en el reencuadre del problema:

• De la Detección a la Decisión: Va más allá de comparar la precisión de los sensores para evaluar la viabilidad de "bucle cerrado" de todo el sistema.
• Gestión Consciente del Riesgo: Al introducir el diagrama de espacio de decisión, ofrece un mecanismo para prevenir cascadas de falsas alarmas costosas en la agricultura pre-sintomática.
• Escalabilidad para Perennes y Pequeños Agricultores: Aborda específicamente las restricciones económicas y operativas de los cultivos perennes tropicales (donde un brote de enfermedad puede causar pérdidas multiestacionales) y los entornos de pequeños agricultores con recursos limitados, abogando por soluciones de IA offline, desplegables en el borde y explicables.

Los autores concluyen que realizar la visión de una agricultura anticipatoria requiere priorizar la "simetría de bucle", equilibrando los tiempos de adelanto de detección, la calibración de la inferencia y la actuación mecánica, en lugar de optimizar componentes aislados. Identifican necesidades críticas de investigación futura, incluyendo la creación de benchmarks etiquetados por tiempo de adelanto, el desarrollo de inferencia en el borde consciente de la incertidumbre y evaluaciones económicas multiestacionales para justificar el CAPEX de los sistemas pre-sintomáticos.